Descripteur
Termes IGN > sciences naturelles > physique > traitement d'image > lasergrammétrie
lasergrammétrieVoir aussi |
Documents disponibles dans cette catégorie (324)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
Directionally constrained fully convolutional neural network for airborne LiDAR point cloud classification / Congcong Wen in ISPRS Journal of photogrammetry and remote sensing, vol 162 (April 2020)
[article]
Titre : Directionally constrained fully convolutional neural network for airborne LiDAR point cloud classification Type de document : Article/Communication Auteurs : Congcong Wen, Auteur ; Lina Yang, Auteur ; Xiang Li, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 50 - 62 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] apprentissage automatique
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] données lidar
[Termes IGN] fusion de données
[Termes IGN] plus proche voisin, algorithme du
[Termes IGN] précision de la classification
[Termes IGN] segmentation sémantique
[Termes IGN] semis de points
[Termes IGN] traitement de semis de pointsRésumé : (auteur) Point cloud classification plays an important role in a wide range of airborne light detection and ranging (LiDAR) applications, such as topographic mapping, forest monitoring, power line detection, and road detection. However, due to the sensor noise, high redundancy, incompleteness, and complexity of airborne LiDAR systems, point cloud classification is challenging. Traditional point cloud classification methods mostly focus on the development of handcrafted point geometry features and employ machine learning-based classification models to conduct point classification. In recent years, the advances of deep learning models have caused researchers to shift their focus towards machine learning-based models, specifically deep neural networks, to classify airborne LiDAR point clouds. These learning-based methods start by transforming the unstructured 3D point sets to regular 2D representations, such as collections of feature images, and then employ a 2D CNN for point classification. Moreover, these methods usually need to calculate additional local geometry features, such as planarity, sphericity and roughness, to make use of the local structural information in the original 3D space. Nonetheless, the 3D to 2D conversion results in information loss. In this paper, we propose a directionally constrained fully convolutional neural network (D-FCN) that can take the original 3D coordinates and LiDAR intensity as input; thus, it can directly apply to unstructured 3D point clouds for semantic labeling. Specifically, we first introduce a novel directionally constrained point convolution (D-Conv) module to extract locally representative features of 3D point sets from the projected 2D receptive fields. To make full use of the orientation information of neighborhood points, the proposed D-Conv module performs convolution in an orientation-aware manner by using a directionally constrained nearest neighborhood search. Then, we design a multiscale fully convolutional neural network with downsampling and upsampling blocks to enable multiscale point feature learning. The proposed D-FCN model can therefore process input point cloud with arbitrary sizes and directly predict the semantic labels for all the input points in an end-to-end manner. Without involving additional geometry features as input, the proposed method demonstrates superior performance on the International Society for Photogrammetry and Remote Sensing (ISPRS) 3D labeling benchmark dataset. The results show that our model achieves a new state-of-the-art performance on powerline, car, and facade categories. Moreover, to demonstrate the generalization abilities of the proposed method, we conduct further experiments on the 2019 Data Fusion Contest Dataset. Our proposed method achieves superior performance than the comparing methods and accomplishes an overall accuracy of 95.6% and an average F1 score of 0.810. Numéro de notice : A2020-119 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2020.02.004 Date de publication en ligne : 18/02/2020 En ligne : https://doi.org/10.1016/j.isprsjprs.2020.02.004 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94743
in ISPRS Journal of photogrammetry and remote sensing > vol 162 (April 2020) . - pp 50 - 62[article]3D laser scanning of the natural caves: Example of Škocjanske jame / Richard Walters in Geodetski vestnik, Vol 64 n° 1 (March - May 2020)
[article]
Titre : 3D laser scanning of the natural caves: Example of Škocjanske jame Type de document : Article/Communication Auteurs : Richard Walters, Auteur ; Nadja Zupan Hajna, Auteur Année de publication : 2020 Article en page(s) : 15 p. Note générale : bibliographie Langues : Anglais (eng) Slovène (slv) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] 3DReshaper
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] grotte
[Termes IGN] image captée par drone
[Termes IGN] instrument embarqué
[Termes IGN] lasergrammétrie
[Termes IGN] modèle numérique de terrain
[Termes IGN] semis de points
[Termes IGN] site historique
[Termes IGN] SlovénieRésumé : (auteur) In this article, we present issues arising from Terrestrial Laser Scanning of large natural caves using the example of Škocjan Caves, a UNESCO World Heritage Site. Regarding pre-existing tachymetric survey of the passages and volumes calculated from them, the scanning of such a large cave was an even bigger challenge for the team. The cave of almost 6 km long passages with dimensions approx. 30 m x 40 m and max. heights up to 145 m, was scanned from 370 stations. Process of surveying the cave, involves establishing scanner positions through the cave, where scans will overlap, in a progressive route and once back on the surface, collecting, cleaning and stitching the scans into a point cloud 3D model. A total of 8.3 billion points were captured and 2,600 high-resolution photos taken. With Reigl’s RiSCAN Pro software, a point cloud model was registered and then exported to Hexagon’s 3D Reshaper to create a full surface model from which all measurements and calculations were made. Additionally, data acquisition using a camera on an unmanned airborne vehicle was used. By photogrammetric approach, digital terrain model of a surface was built and then tied to the cave model within 3D Reshaper. The resulting high resolution - point cloud model may be used for various purposes such as: volume calculations, detection of geological and speleogenetical features, etc. With a volume of 2.55 million cubic metres, Martel’s Chamber is confirmed to be the 11th largest cave chamber in the world at the moment. Numéro de notice : A2020-275 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.15292/geodetski-vestnik.2020.01.89-103 Date de publication en ligne : 12/03/2020 En ligne : https://doi.org/10.15292/geodetski-vestnik.2020.01.89-103 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96088
in Geodetski vestnik > Vol 64 n° 1 (March - May 2020) . - 15 p.[article]Réservation
Réserver ce documentExemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 139-2020011 RAB Revue Centre de documentation Revues en salle Disponible Cartographie sémantique hybride de scènes urbaines à partir de données image et Lidar / Mohamed Boussaha (2020)
Titre : Cartographie sémantique hybride de scènes urbaines à partir de données image et Lidar Titre original : 3D hybrid urban scene semantic mapping from multi-modal data Type de document : Thèse/HDR Auteurs : Mohamed Boussaha , Auteur ; Bruno Vallet , Directeur de thèse ; Patrick Rives, Directeur de thèse Editeur : Champs/Marne : Université Paris-Est Année de publication : 2020 Projets : PLaTINUM / Gouet-Brunet, Valérie Note générale : bibliographie
Dissertation submitted in partial fulfillment of the requirements for the degree of Doctor of Philosophy delivered by Université Paris-EstLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] apprentissage dirigé
[Termes IGN] carte de profondeur
[Termes IGN] descripteur
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] fusion de données multisource
[Termes IGN] image panoramique
[Termes IGN] maillage par triangles
[Termes IGN] reconstruction 3D du bâti
[Termes IGN] réflectance
[Termes IGN] scène intérieure
[Termes IGN] scène urbaine
[Termes IGN] segmentation sémantique
[Termes IGN] semis de points
[Termes IGN] système de numérisation mobile
[Termes IGN] texturage
[Termes IGN] traitement de semis de pointsIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Avec la démocratisation des applications collaboratives d'assistance à la navigation et l'avènement de robots autonomes, la cartographie mobile suscite ces dernières années une attention croissante, tant dans les milieux académiques qu'industriels. La numérisation de l'environnement offre non seulement une connaissance fine et exhaustive permettant aux usagers d'anticiper et de planifier leurs déplacements, mais garantit aussi la disponibilité d'informations fiables notamment en cas d'éventuelle défaillance des capteurs visuels d'un véhicule autonome. S'agissant d'un enjeu crucial pour une navigation fiable, la cartographie mobile soulève en revanche de nombreux défis en matière de robustesse, de précision et de passage à l'échelle. Cette problématique fait appel à des méthodes qui requièrent une capacité de traitement de données massives avec une précision centimétrique tout en gérant les spécificités de l'acquisition (la variabilité du niveau de détails, des occultations et des fortes variations de luminosité).
Cette thèse porte sur le développement d'un référentiel global géolocalisé de l'environnement urbain constitué de représentations 3D géométriques, photométriques et sémantiques. Dans un premier temps, une investigation approfondie de la représentation la plus adaptée à un tel référentiel, permet une reconstruction d'une carte haute définition à large échelle sous forme d'un maillage 3D texturé. Cette représentation est mise en place par fusion multimodale d'images orientées et de balayages LiDAR géo-référencés acquis depuis une plateforme de cartographie mobile terrestre. Par la suite, nous proposons d'intégrer l'aspect sémantique au référentiel 3D reconstruit en exploitant la complémentarité entre les modalités d'acquisition photométriques et géométriques. À travers la riche littérature sur le sujet, nous identifions l'absence d'un jeu de données urbain multimodal annoté incluant un maillage texturé à large échelle. Nous abordons ce verrou par la production d'un jeu de données composé de nuages de point 3D, d'images 2D perspectives et panoramiques, de cartes de profondeur et de reflectance ainsi qu'un maillage texturé avec les annotations correspondantes à chaque modalité. Dans un second temps, nous considérons le référentiel comme un nuage de points structuré par un graphe d'adjacence. Nous introduisons une nouvelle approche de sur-segmentation par apprentissage supervisé. Cette méthode opère en deux temps: calcul de descripteurs locaux des points 3D par apprentissage profond de métrique, puis partition du nuage de points en zones uniformes, appelées superpoints. Les descripteurs sont appris de telle sorte qu'ils présentent de forts contrastes à l'interface entre objets, incitant la partition résultante à suivre leurs contours naturels. Nos expériences sur des scènes intérieures et extérieures montrent la nette supériorité de notre approche sur les méthodes de partition de nuage de points de l'état de l'art, qui ne reposaient pas jusqu'à là sur l'apprentissage machine. Nous montrons également que notre méthode peut être combinée à un algorithme de classification de superpoints pour obtenir d'excellents résultats en terme de segmentation sémantique, améliorant aussi l'état de l'art sur ce sujet. Enfin, nous étendons cette approche aux maillages texturés. Les triangles, structurés cette fois-ci par le graphe d'adjacence du maillage, sont partitionnés en groupes homogènes appelés superfacettes. À l'instar des nuages de points, des descripteurs locaux du maillage texturé sont appris de façon à ce que les frontières d'objets sémantiquement distincts présentent un contraste élevé. Ces descripteurs sont le résultat d'une fusion des descripteurs appris sur le maillage par convolution des arêtes d'une part, et des descripteurs de texture d'autre part. Les expériences réalisées sur notre jeu de données illustrent la supériorité de notre approche par rapport aux méthodes de l'état de l'art de sur-segmentation de maillage.Numéro de notice : 17674 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de doctorat : Geographical Information Sciences and technologies : UPE : 2020 Organisme de stage : LaSTIG (IGN) nature-HAL : Thèse En ligne : https://hal.science/tel-03276242v1 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98009
Titre : Geospatial recording and point cloud classification of heritage buildings Type de document : Thèse/HDR Auteurs : Arnadi Murtiyoso, Auteur ; Pierre Grussenmeyer, Directeur de thèse Editeur : Strasbourg : Université de Strasbourg Année de publication : 2020 Importance : 185 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse présentée pour obtenir le grade de Docteur de l'Université de Strasbourg en Sciences de l'Ingénieur, Topographie et GéomatiqueLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] acquisition de données
[Termes IGN] contrôle qualité
[Termes IGN] lasergrammétrie
[Termes IGN] modélisation 3D
[Termes IGN] monument historique
[Termes IGN] patrimoine immobilier
[Termes IGN] segmentation
[Termes IGN] semis de pointsIndex. décimale : THESE Thèses et HDR Résumé : (auteur) The documentation of built heritage has seen a significant development these past few decades due to advancements in new 3D sensors and 3D recording techniques. 3D data serve as reliable and tangible archive for historical sites and monuments. Since 3D data have such importance in the field of heritage documentation, quality control is paramount and must be performed before any point cloud processing is even planned to be conducted. The thesis is therefore divided into two parts. The first part concerned mainly the data acquisition and quality control of the point cloud data using the two techniques most commonly used, i.e. photogrammetry and laser scanning. A particular emphasis was also put on the integration of photogrammetry and laser scanning within the context of a multi-scalar documentation of a heritage site. The second part will address the processing of the resulting point cloud, particularly its segmentation and classification. The multi-scalar approach proposed in this thesis is an important point to note, as in many cases a historical building of interest is located in a historical neighbourhood; thus the requirement for a multi-scalar segmentation. By combining these two parts, the thesis had attempted to address the 3D workflow of heritage sites in a holistic manner, from the 3D data acquisition up to the resulting point clouds' segmentation and classification into individual entities in various scale steps. Note de contenu : Introduction
I- Geospatial recording and quality control
1- Geospatial recording for heritage
2- Quality control in photogrammetry
3- Integration of Photogrammetry and LaserScanning
II- Point cloud processing algorithms
4- The M_HERACLES tool box
5- From Heritage Complex to Heritage buildings
6- From Heritage buildings to architectural elements
ConclusionsNuméro de notice : 28514 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : thèse de Doctorat : Topographie et Géomatique : Université de Strasbourg : 2020 Organisme de stage : Laboratoire ICube (Strasbourg) nature-HAL : Thèse DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-02953668/document Format de la ressource électronique : url Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97253 De l’image optique "multi-stéréo" à la topographie très haute résolution et la cartographie automatique des failles par apprentissage profond / Lionel Matteo (2020)
Titre : De l’image optique "multi-stéréo" à la topographie très haute résolution et la cartographie automatique des failles par apprentissage profond Type de document : Thèse/HDR Auteurs : Lionel Matteo, Auteur Editeur : Nice : Université Côte d'Azur Année de publication : 2020 Importance : 170 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse en vue de l’obtention du grade de docteur de l'Université Côte d'Azur, en Sciences de la Terre et de l’UniversLangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] acquisition d'images
[Termes IGN] analyse comparative
[Termes IGN] apprentissage profond
[Termes IGN] Arizona (Etats-Unis)
[Termes IGN] Californie (Etats-Unis)
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] données topographiques
[Termes IGN] faille géologique
[Termes IGN] fusion de données multisource
[Termes IGN] image captée par drone
[Termes IGN] image multi sources
[Termes IGN] image Pléiades-HR
[Termes IGN] MicMac
[Termes IGN] modèle de simulation
[Termes IGN] modèle numérique de surface
[Termes IGN] Nevada (Etats-Unis)
[Termes IGN] reconstruction 3D
[Termes IGN] semis de points
[Termes IGN] stéréo-orthophotographie
[Termes IGN] traitement de semis de pointsIndex. décimale : THESE Thèses et HDR Résumé : (Auteur) Les failles sismogéniques sont la source des séismes. L'étude de leurs propriétés nous informe donc sur les caractéristiques des forts séismes qu'elles peuvent produire. Les failles sont des objets 3D qui forment des réseaux complexes incluant une faille principale et une multitude de failles et fractures secondaires qui "découpent" la roche environnante à la faille principale. Mon objectif dans cette thèse a été de développer des approches pour aider à étudier cette fracturation secondaire intense. Pour identifier, cartographier et mesurer les fractures et les failles dans ces réseaux, j'ai adressé deux défis : -1) Les failles peuvent former des escarpements topographiques très pentus à la surface du sol, créant des "couloirs" ou des canyons étroits et profond où la topographie et donc, la trace des failles, peut être difficile à mesurer en utilisant des méthodologies standard (comme des acquisitions d'images satellites optiques stéréo et tri-stéréo). Pour répondre à ce défi, j'ai utilisé des acquisitions multi-stéréos avec différentes configurations (différents angles de roulis et tangage, différentes dates et modes d'acquisitions). Notre base de données constituée de 37 images Pléiades dans trois sites tectoniques différents dans l'Ouest américain (Valley of Fire, Nevada ; Granite Dells, Arizona ; Bishop Tuff, California) m'a permis de tester différentes configurations d'acquisitions pour calculer la topographie avec trois approches différentes. En utilisant la solution photogrammétrique open-source Micmac (IGN ; Rupnik et al., 2017), j'ai calculé la topographie sous la forme de Modèles Numériques de Surfaces (MNS) : (i) à partir de combinaisons de 2 à 17 images Pléiades, (ii) en fusionnant des MNS calculés individuellement à partir d'acquisitions stéréo et tri-stéréo, évitant alors l'utilisant d'acquisitions multi-dates et (iii) en fusionnant des nuages de points calculés à partir d'acquisitions tri-stéréos en suivant la méthodologie multi-vues développée par Rupnik et al. (2018). J’ai aussi combiné, dans une dernière approche (iv), des acquisitions tri-stéréos avec la méthodologie multi-vues stéréos du CNES/CMLA (CARS) développé par Michel et al. (2020), en combinant des acquisitions tri-stéréos. A partir de ces quatre approches, j'ai calculé plus de 200 MNS et mes résultats suggèrent que deux acquisitions tri-stéréos ou une acquisition stéréo combinée avec une acquisition tri-stéréo avec des angles de roulis opposés permettent de calculer les MNS avec la surface topographique la plus complète et précise. -2) Couramment, les failles sont cartographiées manuellement sur le terrain ou sur des images optiques et des données topographiques en identifiant les traces curvilinéaires qu'elles forment à la surface du sol. Néanmoins, la cartographie manuelle demande beaucoup de temps, ce qui limite notre capacité à produire cartographies et mesures complètes des réseaux de failles. Pour s'affranchir de ce problème, j'ai adopté une approche d'apprentissage profond, couramment appelé un réseau de neurones convolutifs (CNN) - U-Net, pour automatiser l'identification et la cartographie des fractures et des failles dans des images optiques et des données topographiques. Volontairement, le modèle CNN a été entraîné avec une quantité modérée de fractures et failles cartographiées manuellement à basse résolution et dans un seul type d'images optiques (photographies du sol avec des caméras classiques). A partir d'un grand nombre de tests, j'ai sélectionné le meilleur modèle, MRef et démontre sa capacité à prédire des fractures et des failles précisément dans données optiques et topographiques de différents types et différentes résolutions (photographies prises au sol, avec un drone et par satellite). Le modèle MRef montre de bonnes capacités de généralisations faisant alors de ce modèle un bon outil pour cartographie rapidement et précisément des fractures et des failles dans des images optiques et des données topographiques. Note de contenu : Introduction générale
Partie 1 - Reconstruction 3D haute résolution
1. Introduction
1.1 Les données topographiques, une solution pour analyser la surface terrestre
1.2 Le récent développement de satellites à capteur optique
1.3 La reconstruction 3D à partir d’images optiques : la photogrammétrie
1.4 Problématique du sujet
2. Acquisitions de données et sites d’études
2.1 Acquisitions d’images satellitaires
2.2 Données LiDAR aéroportées
2.3 Acquisitions d’images par drone
2.4 Acquisitions d’images par appareil photo suspendu à une perche
2.5 Acquisitions de points d’appui
2.6 Sites d’études
3. Calcul de MNS et estimation de leur performance
3.1 Micmac (IGN)
3.2 CARS (CNES/CMLA)
3.3 Quatre méthodes pour calculer des MNS
3.4 Performances des MNS
4. Résultats
4.1 MNS calculés avec des acquisitions multi-dates
4.2 Fusion de MNS calculés avec des acquisitions mono-dates
4.3 Reconstruction 3D à partir de nuage de points fusionnés
4.4 Analyses des MNS générés avec CARS
4.5 Comparaison des méthodes B, C et D dans la zone de Canyons de Valley of Fire 65
4.6 Utilisation de 1 à 4 GCPs pour calculer un MNS
4.7 Application de la méthode B aux deux autres sites
5. Discussion
5.1 La reconstruction 3D à partir d’acquisitions multi-dates
5.2 L’impact des méthodes B, C et D dans la performance des MNS finaux
5.3 Les erreurs possibles dans le calcul des erreurs du géoréférencement des MNS
5.4 La comparaison des MNS Pléiades calculés à d’autres MNS
6. Conclusions
Partie 2 - Automatic fault mapping in remote optical images and topographic data with deep learning - submitted to JGR: Solid Earth
7. Introduction
8. Image, topographic and fault data
8.1 Fault Sites
8.2 Optical image and topographic data
8.3 Fault ground truth derived from manual mapping
9. Deep learning methodology
9.1 Principles of Deep Learning and Convolutional Neural Networks
9.2 Architecture of the CNN model used in present study
9.3 Training procedure
9.4 Estimating the performance of the models
10. Defining a “reference model” MRef
10.1 Selecting the most appropriate CNN architecture
10.2 Sensitivity of model performance to training data size
10.3 Sensitivity of model performance to “quality” of training data
10.4 Refrence model
11. Detailed evaluation of reference model fault predictions
11.1 Results in sites A and B
11.2 Predictions in unseen data of similar type
11.3 Predictions in unseen data of different type
12. Discussion
12.1 U-net appropriate for fracture and fault detection in optical images
12.2 Interpreting learnt characteristics of faults and fractures
12.3 Conditions for model generalization
12.4 Uncertainties and model robustness
12.5 Recovering fault hierarchy and connectivity
13 Conclusions
Conclusion généraleNuméro de notice : 26555 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Sciences de la Terre et de l'Univers : Côte d'Azur : 2020 Organisme de stage : Géoazur UMR 7329 - Observatoire de la Côte d'Azur nature-HAL : Thèse Date de publication en ligne : 02/06/2021 En ligne : https://tel.archives-ouvertes.fr/tel-03245713/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97965 PermalinkPermalinkPermalinkPermalinkPermalinkTransferability and calibration of airborne laser scanning based mixed-effects models to estimate the attributes of sawlog-sized Scots pines / Lauri Korhonen in Silva fennica, vol 53 n° 3 (2019)PermalinkReview of mobile laser scanning target‐free registration methods for urban areas using improved error metrics / Hoang Long Nguyen in Photogrammetric record, vol 34 n° 167 (September 2019)PermalinkLa démarche GéoBIM : de la gestion du territoire à celle d’un bâtiment / Dimitri Sarafinof in Responsabilité et environnement, n° 94 (Avril 2019)PermalinkNumérisation et modélisation 3D du Jardin d’Hiver du Musée de la Faïence de Sarreguemines / Valentin Girardet in XYZ, n° 158 (mars 2019)PermalinkPermalink